基于经验模式分解的大幅面图像不均匀光照校正方法技术

一种基于经验模式分解的大幅面图像不均匀光照校正方法，包括如下步骤：输入图像，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；对提取图像进行变换，得到变换后的图像；对变换后的图像进行基于经验模式的分解，得到一系列表征图像局部频率和尺度特性的本质模式函数以及一个余量函数；选择特定的余量函数以及本质模式函数进行光照不均匀程度的检测；平滑光照图像；进行反射图像变换，得到最终的校正图像。本方法可以有效的校正复杂光照条件下的大幅面图像，实时性好并且有高的主观视觉质量。

【技术实现步骤摘要】

本专利技术涉及图像处理和计算机视觉领域，特别涉及一种基于经验模式分解模型的大幅面图像不均匀光照校正方法。
技术介绍
目前主流的不均匀光照的校正方法较多采用同态滤波和双立方插值法等来对采集的数字图像进行处理。同态滤波法认为图像的光照模型有乘法的形式，通过对图像做对数变换和高通滤波来实现，对于许多物理光照模型不能满足乘法模型的情况，这种方法效果很差。双立方插值的方法是认为光照模型具有加法的形式，通过用双立方曲面模型对光照分布进行回归估计，再从原始图像中减去估计的光照来实现，由于要进行双立方插值，计算量很大，插值精度有限。这些现有的不均性光照校正方法主要是基于先验的某种物理光照模型，不能精确描述自然场景中复杂的光照环境，而且估计的照度值精度较低，计算复杂度较高，对复杂的场景经常存在鲁棒性较差，抗噪声干扰能力弱的缺点，已经不能完全满足当前航空拍摄和卫星遥感等领域的新要求。
技术实现思路
本专利技术的目的是解决现有光照剧烈变化和阴影遮挡等复杂条件下的大幅面图像存在的光强不均匀分布问题以及现有方法鲁棒性差，抗噪声能力差和实时性差的问题。为了实现上述目的，本专利技术提供一种高精度的光照不均匀校正方法来实现在复杂条件下能自适应去除不同光场分布，可应用于大幅面图像，而且能与人眼主观评价结果保持一致。本专利技术的技术方案如下：一种基于经验模式分解的大幅面图像不均匀光照校正方法，包括如下步骤：输入图像步骤，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；图像变换步骤，对提取图像进行变换，得到变换后的图像；图像经验模式分解步骤，对变换后的图像进行基于经验模式的分解(EMD)，得到一系列表征图像局部频率和尺度特性的本质模式函数(IMF)以及一个余量函数(RF)，即 s [ m , n ] = Σ k = 0 K H k ( m , n ) + D , ]]>其中，s[m,n]代表变换后的图像，Hk(m,n)代表k个本质模式函数组成的经验模集合，D代表分解出的余量函数；选择特定分量步骤，选择D以及经验模集合中k>2的本质模式函数进行光照不均匀程度的检测；平滑光照图像步骤；以及反射图像变换步骤，对所述平滑光照图像步骤得到的图像进行反射图像变换，得到最终的校正图像。图像变换步骤中对提取图像进行变换是依据视网膜大脑皮层(Retinex)算法，将提取图像分解成反射部分和亮度部分，即S＝R×L，其中S代表提取的Y通道图像，R代表反射部分，L代表亮度部分，然后将S、R、L分别转换到对数域，即计算s＝logS，r＝logR，l＝logL，其中s代表对数域的提取图像，r代表对数域的反射部分，l代表对数域的亮度部分。图像经验模式分解步骤中基于经验模式的分解包括如下子步骤：将对数域的提取图像s按行进行EMD分解；采用与所述对对数域的提取图像s按行进行EMD分解相同的分解方法，对对数域的提取图像s按列进行EMD分解；以及将对数域的提取图像s行和列的分解结果进行集成，得到最终的二维IMF和RF。其中，将对数域的提取图像s按行进行EMD分解又包括如下步骤：在大小为M×N的对数域的提取图像s中取每一行sk[n]作为一维的输入信号，设分解出的IMF用hi[n]表示，RF用di[n]表示，初始化i＝0，j＝0，k＝1；进行筛选直至候选特征信号满足IMF的两个条件，并计算di＝di-1－hi[n]；重复上一步骤，并设i＝i+1，直至满足下列条件后停止， S D = Σ n = 0 N - 1 ( d i [ n ] - d i - 1 [ n ] ) 2 d 2 i [ n ] ∈ [ a 1 , a 2 ] , ]]>其中a1和a2是给定的参数；重复上述3个步骤，分解其余各行。其中，筛选过程具体如下：找出sk[n]中所有的局部极大值点Pmax和局部极小值点Pmin，使用双线性插值的方法根据Pmax产生上包络线信号emax[n]，使用同样的插值方法根据Pmin产生下包络线信号emin[n]；计算平均趋势信号：计算候选特征信号：设置j＝j+1，重复上述3个步骤，直到所得到的cj[n]满足IMF的两个条件。选择特定分量步骤中检测光照不均匀程度的操作具体如下：计算判断准则IR，依据如下公式： I R = σe - λ 2 > θ 1 , ]]>其中，σ是图像分量Hk的方差，λ是它的均值；θ1为阈值，通常设置为θ1＝0.15。如果公式被满足，则可判断存在光照不均匀。平滑光照图像步骤中平滑光照图像包括：(1)对提取存在光照不均匀的IMF以及RF进行平滑处理，对整幅图像使用模板大小为N×N的均值滤波器进行平滑处理；(2)使用平滑后的IMF分量替换掉原先的IMF分量，然后将所有的IMF分量及RF相加得到对数域的校正图像。反射图像变换步骤中所述的反射图像变换指的是将对数域的校正图像变换为非对数域的校正图像；对于彩色图像，还要将其从YUV域变换到RGB域。本专利技术的有益效果如下：本专利技术涉及一种利用经验模式分解进行图像不均匀光照校正的方法。本专利技术通过对图像进行多尺度和频率的联合分解，利用设计的不均匀光强和阴影存在准则进行判断，得到图像中光强分布的精确估计，经过平滑处理后，最后从原始图像中减去光强图就可得到校正后的图像。本方法可以有效的校正复杂光照条件本文档来自技高网...

【技术保护点】
一种基于经验模式分解的大幅面图像不均匀光照校正方法，其特征在于，包括如下步骤：输入图像步骤，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；图像变换步骤，对所述提取图像进行变换，得到变换后的图像；图像经验模式分解步骤，对所述变换后的图像进行基于经验模式的分解，得到一系列表征图像局部频率和尺度特性的本质模式函数以及一个余量函数，即其中，s[m,n]代表变换后的图像，Hk(m,n)代表k个本质模式函数组成的经验模集合，D代表分解出的余量函数；选择特定分量步骤，选择余量函数以及经验模集合中k>2的本质模式函数进行光照不均匀程度的检测；平滑光照图像步骤；以及反射图像变换步骤，对所述平滑光照图像步骤得到的图像进行反射图像变换，得到最终的校正图像。

【技术特征摘要】
1.一种基于经验模式分解的大幅面图像不均匀光照校正方法，其特征在于，包括如下步骤：输入图像步骤，检测输入图像的格式，将彩色RGB格式的图像转换为YUV格式，然后提取YUV格式图像中Y通道的图像得到提取图像；图像变换步骤，对所述提取图像进行变换，得到变换后的图像；图像经验模式分解步骤，对所述变换后的图像进行基于经验模式的分解，得到一系列表征图像局部频率和尺度特性的本质模式函数以及一个余量函数，即其中，s[m,n]代表变换后的图像，Hk(m,n)代表k个本质模式函数组成的经验模集合，D代表分解出的余量函数；选择特定分量步骤，选择余量函数以及经验模集合中k>2的本质模式函数进行光照不均匀程度的检测；平滑光照图像步骤；以及反射图像变换步骤，对所述平滑光照图像步骤得到的图像进行反射图像变换，得到最终的校正图像。2.根据权利要求1所述的一种基于经验模式分解的大幅面图像不均匀光照校正方法，其特征在于，所述图像变换步骤中所述对提取图像进行变换指的是依据视网膜大脑皮层算法，将提取图像分解成反射部分和亮度部分，即S＝R×L，其中S代表提取的Y通道图像，R代表反射部分，L代表亮度部分，然后将S、R、L分别转换到对数域，即计算s＝logS，r＝logR，l＝logL，其中s代表对数域的提取图像，r代表对数域的反射部分，l代表对数域的亮度部分。3.根据权利要求1所述的一种基于经验模式分解的大幅面图像不均匀光照校正方法，其特征在于，所述图像经验模式分解步骤中所述基于经验模式的分解包括如下子步骤：将对数域的提取图像按行进行经验模式分解；采用与所述将对数域的提取图像按行进行经验模式分解中相同的分解方法，对对数域的提取图像按列进行经验模式分解；以及将对数域的提取图像行和列的分解结果进行集成，得到最终二维的本质模式函数以及一个余量函数。4.根据权利要求3所述的一种基于经验模式分解的大幅面图像不均匀光照校正方法，其特征在于，所述将对数域的提取图像按行进行经验模式分解包括如下步骤：在大小为M×N的对数域的提取图像s中取每一行sk[n]作为一维的输入信号，设分解出的本质模式函数用hi[n]表示，余量函数用di[n]表示，初始化i＝0，j＝0，k＝1；进行筛选直至候选特征信号满足本质模式函数的两个条件，并计算di＝di-1－hi[n]；重复上一步骤，并设i＝i+1，直至满足下列条件后停止， S D = Σ n = 0 N - 1 ( d i [ n ] - d ...

【专利技术属性】
技术研发人员：贾惠柱，陈瑞，解晓东，杨长水，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11